torcheval.metrics.MulticlassPrecisionRecallCurve

class torcheval.metrics.MulticlassPrecisionRecallCurve(*, num_classes: int | None = None, device: device | None = None)

返回多类分类任务的精确率-召回率对及其对应的阈值。如果目标张量中缺少某个类别，则该类别的召回率值设置为1.0。

它的类版本是 torcheval.metrics.functional.multiclass_precision_recall_curve()。

Parameters:

num_classes (int, Optional) – 类别数量。如果 num_classes 为 None，则设置为输入的第二维度。

示例：

>>> import torch
>>> from torcheval.metrics import MulticlassPrecisionRecallCurve
>>> metric = MulticlassPrecisionRecallCurve(num_classes=4)
>>> input = torch.tensor([[0.1, 0.1, 0.1, 0.1], [0.5, 0.5, 0.5, 0.5], [0.7, 0.7, 0.7, 0.7], [0.8, 0.8, 0.8, 0.8]])
>>> target = torch.tensor([0, 1, 2, 3])
>>> metric.update(input, target)
>>> metric.compute()
([tensor([0.2500, 0.0000, 0.0000, 0.0000, 1.0000]),
tensor([0.3333, 0.0000, 0.0000, 1.0000]),
tensor([0.5000, 0.0000, 1.0000]),
tensor([1., 1.])],
[tensor([1., 0., 0., 0., 0.]),
tensor([1., 0., 0., 0.]),
tensor([1., 0., 0.]),
tensor([1., 0.])],
[tensor([0.1000, 0.5000, 0.7000, 0.8000]),
tensor([0.5000, 0.7000, 0.8000]),
tensor([0.7000, 0.8000]),
tensor([0.8000])])

__init__(*, num_classes: int | None = None, device: device | None = None) → None

初始化一个度量对象及其内部状态。

使用 self._add_state() 来初始化你的度量类的状态变量。 状态变量应该是 torch.Tensor，一个 torch.Tensor 的列表，一个以 torch.Tensor 为值的字典， 或者一个 torch.Tensor 的双端队列。

方法

__init__(*[, num_classes, device])	初始化一个度量对象及其内部状态。
compute()	returns: 精度结果列表。每个索引表示一个类的结果。
load_state_dict(state_dict[, strict])	从state_dict加载度量状态变量。
merge_state(metrics)	实现此方法以将当前度量的状态变量更新为当前度量和输入度量的合并状态。
reset()	将度量状态变量重置为其默认值。
state_dict()	将度量状态变量保存在state_dict中。
to(device, *args, **kwargs)	将度量状态变量中的张量移动到设备。
update(input, target)	使用真实标签和预测更新状态。

属性

device

Metric.to()的最后一个输入设备。